Workspace Classe

Ajoute un point de terminaison privé à l’espace de travail.

add_private_endpoint(private_endpoint_config, private_endpoint_auto_approval=True, location=None, show_output=True, tags=None)

Paramètres

Retours

Crée un espace de travail Azure Machine Learning.

Lève une exception si l’espace de travail existe déjà ou si l’une des conditions relatives à l’espace de travail n’est pas remplie.

static create(name, auth=None, subscription_id=None, resource_group=None, location=None, create_resource_group=True, sku='basic', tags=None, friendly_name=None, storage_account=None, key_vault=None, app_insights=None, container_registry=None, adb_workspace=None, primary_user_assigned_identity=None, cmk_keyvault=None, resource_cmk_uri=None, hbi_workspace=False, default_cpu_compute_target=None, default_gpu_compute_target=None, private_endpoint_config=None, private_endpoint_auto_approval=True, exist_ok=False, show_output=True, user_assigned_identity_for_cmk_encryption=None, system_datastores_auth_mode='accessKey', v1_legacy_mode=None)

Paramètres

Retours

Exceptions

Remarques

Ce premier exemple nécessite uniquement une spécification minimale. Toutes les ressources dépendantes ainsi que le groupe de ressources sont créés automatiquement.

   from azureml.core import Workspace
   ws = Workspace.create(name='myworkspace',
                         subscription_id='<azure-subscription-id>',
                         resource_group='myresourcegroup',
                         create_resource_group=True,
                         location='eastus2')

L’exemple suivant montre comment réutiliser des ressources Azure existantes à l’aide du format d’ID de ressource Azure. Les ID de ressources Azure spécifiques peuvent être récupérés via le portail Azure ou le kit SDK. Cela suppose que le groupe de ressources, le compte de stockage, le coffre de clés, App Insights et le registre de conteneurs existent déjà.

   import os
   from azureml.core import Workspace
   from azureml.core.authentication import ServicePrincipalAuthentication

   service_principal_password = os.environ.get("AZUREML_PASSWORD")

   service_principal_auth = ServicePrincipalAuthentication(
       tenant_id="<tenant-id>",
       username="<application-id>",
       password=service_principal_password)

   ws = Workspace.create(name='myworkspace',
                         auth=service_principal_auth,
                         subscription_id='<azure-subscription-id>',
                         resource_group='myresourcegroup',
                         create_resource_group=False,
                         location='eastus2',
                         friendly_name='My workspace',
                         storage_account='subscriptions/<azure-subscription-id>/resourcegroups/myresourcegroup/providers/microsoft.storage/storageaccounts/mystorageaccount',
                         key_vault='subscriptions/<azure-subscription-id>/resourcegroups/myresourcegroup/providers/microsoft.keyvault/vaults/mykeyvault',
                         app_insights='subscriptions/<azure-subscription-id>/resourcegroups/myresourcegroup/providers/microsoft.insights/components/myappinsights',
                         container_registry='subscriptions/<azure-subscription-id>/resourcegroups/myresourcegroup/providers/microsoft.containerregistry/registries/mycontainerregistry',
                         exist_ok=False)

Supprime les ressources associées à l’espace de travail Azure Machine Learning.

delete(delete_dependent_resources=False, no_wait=False)

Paramètres

Retours

Supprime une connexion de l’espace de travail.

delete_connection(name)

Paramètres

Supprime la connexion de point de terminaison privé à l’espace de travail.

delete_private_endpoint_connection(private_endpoint_connection_name)

Paramètres

Diagnostique les problèmes d’installation de l’espace de travail.

diagnose_workspace(diagnose_parameters)

Paramètres

Retours

Retourne un objet d’espace de travail à partir d’un espace de travail Azure Machine Learning existant.

Lit la configuration de l’espace de travail à partir d’un fichier. Lève une exception si le fichier config est introuvable.

La méthode fournit un moyen simple de réutiliser le même espace de travail sur plusieurs notebooks ou projets Python. Les utilisateurs peuvent enregistrer les propriétés ARM (Azure Resource Manager) de l’espace de travail à l’aide de la méthode write_config, et utiliser cette méthode pour charger le même espace de travail dans différents notebooks ou projets Python sans avoir à retaper les propriétés ARM de l’espace de travail.

static from_config(path=None, auth=None, _logger=None, _file_name=None)

Paramètres

Retours

Retourne un objet d’espace de travail pour un espace de travail Azure Machine Learning existant.

Lève une exception si l’espace de travail n’existe pas, ou si les champs obligatoires n’identifient pas de manière unique un espace de travail.

static get(name, auth=None, subscription_id=None, resource_group=None, location=None, cloud='AzureCloud', id=None)

Paramètres

Retours

Obtient une connexion à l’espace de travail.

get_connection(name)

Paramètres

Obtient la cible de calcul par défaut de l’espace de travail.

get_default_compute_target(type)

Paramètres

Retours

Obtient le magasin de données par défaut de l’espace de travail.

get_default_datastore()

Retours

Obtient l’objet de coffre de clés par défaut de l’espace de travail.

get_default_keyvault()

Retours

Retourne les détails de l’espace de travail.

get_details()

Retours

Remarques

Le dictionnaire retourné contient les paires clé-valeur suivantes.

• id : URI pointant vers cette ressource d’espace de travail, contenant l’ID d’abonnement, le groupe de ressources et le nom de l’espace de travail.

• name : nom de cet espace de travail.

• location : région de l’espace de travail.

• type : URI au format « {providerName}/workspaces ».

• tags : non utilisé pour le moment.

• workspaceid : ID de cet espace de travail.

• description : non utilisé pour le moment.

• friendlyName : nom convivial de l’espace de travail affiché dans l’IU.

• creationTime : heure de création de cet espace de travail, au format ISO8601.

• containerRegistry : registre de conteneurs d’espace de travail utilisé pour tirer (pull) et envoyer (push) les images d’expérimentation et les images de services web.

• keyVault : coffre de clés d’espace de travail utilisé pour stocker les informations d’identification ajoutées à l’espace de travail par les utilisateurs.

• applicationInsights : ressource Application Insights utilisée par l’espace de travail pour journaliser les événements liés aux services web.

• identityPrincipalId :

• identityTenantId

• identityType

• storageAccount : le stockage est utilisé par l’espace de travail pour enregistrer les sorties d’exécution, le code, les journaux, etc.

• sku : référence SKU de l’espace de travail (également appelée édition). Le paramètre est présent pour des raisons de compatibilité descendante et est ignoré.

• resourceCmkUri : URI de clé de la clé gérée par le client pour chiffrer les données au repos. Consultez https://docs.microsoft.com/en-us/azure-stack/user/azure-stack-key-vault-manage-portal?view=azs-1910 pour savoir comment créer une clé et obtenir son URI.

• hbiWorkspace : spécifie si les données client ont un impact métier important.

• imageBuildCompute : cible de calcul pour la génération d’image.

• systemDatastoresAuthMode : détermine si les informations d’identification doivent être utilisées ou non pour les magasins de données système de l’espace de travail « workspaceblobstore » et « workspacefilestore ». La valeur par défaut est « accessKey ». Dans ce cas, l’espace de travail crée les magasins de données système avec les informations d’identification. Si « identity » est défini, l’espace de travail crée les magasins de données système sans informations d’identification.

Pour plus d’informations sur ces paires clé-valeur, consultez create.

Obtient l’URI de suivi MLflow de l’espace de travail.

MLflow (https://mlflow.org/) est une plateforme open source pour le suivi des expériences de machine learning et la gestion des modèles. Vous pouvez utiliser les API de journalisation MLflow avec Azure Machine Learning pour que les métriques, les modèles et les artefacts soient journalisés dans votre espace de travail Azure Machine Learning.

get_mlflow_tracking_uri(_with_auth=False)

Paramètres

Retours

Remarques

Utilisez l’exemple suivant pour configurer le suivi MLflow afin d’envoyer des données à l’espace de travail Azure ML :

   import mlflow
   from azureml.core import Workspace
   workspace = Workspace.from_config()
   mlflow.set_tracking_uri(workspace.get_mlflow_tracking_uri())

Retourne l’exécution ayant le run_id spécifié dans l’espace de travail.

get_run(run_id)

Paramètres

Retours

Liste tous les espaces de travail auxquels l’utilisateur a accès dans l’abonnement.

La liste des espaces de travail peut être filtrée en fonction du groupe de ressources.

static list(subscription_id, auth=None, resource_group=None)

Paramètres

Retours

Liste les connexions de cet espace de travail.

list_connections(category=None, target=None)

Paramètres

Liste les clés de l’espace de travail actif.

list_keys()

Retours

Ajoute ou met à jour une connexion dans l’espace de travail.

set_connection(name, category, target, authType, value)

Paramètres

Définit le magasin de données par défaut de l’espace de travail.

set_default_datastore(name)

Paramètres

Crée un espace de travail ou utilise un espace de travail existant.

static setup()

Retours

Déclenche l’espace de travail pour synchroniser immédiatement les clés.

Si les clés d’une ressource de l’espace de travail sont modifiées, l’opération de mise à jour automatique de celles-ci peut prendre environ une heure. Cette fonction permet de mettre à jour les clés à la demande. Un exemple de scénario nécessite un accès immédiat au stockage après la régénération des clés de stockage.

sync_keys(no_wait=False)

Paramètres

Retours

Met à jour le nom convivial, la description, les étiquettes, le calcul de génération d’image et d’autres paramètres associés à un espace de travail.

update(friendly_name=None, description=None, tags=None, image_build_compute=None, service_managed_resources_settings=None, primary_user_assigned_identity=None, allow_public_access_when_behind_vnet=None, v1_legacy_mode=None)

Paramètres

Retours

Met à jour les ressources associées à l’espace de travail dans les cas suivants.

a) Quand un utilisateur supprime accidentellement une ressource associée existante et souhaite la mettre à jour avec une nouvelle ressource sans devoir recréer l’espace de travail entier. b) Quand un utilisateur dispose d’une ressource associée existante et souhaite remplacer la ressource associée qui est actuellement associée à l’espace de travail. c) Quand une ressource associée n’a pas encore été créée et que l’utilisateur souhaite utiliser une ressource déjà existante (s’applique uniquement au registre de conteneurs).

update_dependencies(container_registry=None, force=False)

Paramètres

Retours

Écrit les propriétés de l’espace de travail ARM (Azure Resource Manager) dans un fichier config.

Les propriétés ARM de l’espace de travail peuvent être chargées plus tard à l’aide de la méthode from_config. La valeur par défaut de path est « .azureml/ » dans le répertoire de travail actif, et la valeur par défaut de file_name est « config.json ».

La méthode fournit un moyen simple de réutiliser le même espace de travail sur plusieurs notebooks ou projets Python. Les utilisateurs peuvent enregistrer les propriétés ARM de l’espace de travail à l’aide de cette fonction, et utiliser from_config pour charger le même espace de travail dans différents notebooks ou projets Python sans avoir à retaper les propriétés ARM de l’espace de travail.

write_config(path=None, file_name=None)

Paramètres

Liste toutes les cibles de calcul de l’espace de travail.

Retours

Liste tous les jeux de données de l’espace de travail.

Retours

Liste tous les magasins de données de l’espace de travail. Cette opération ne retourne pas les informations d’identification des magasins de données.

Retours

Retourne l’URL de découverte de cet espace de travail.

Retours

Liste tous les environnements de l’espace de travail.

Retours

Liste toutes les expériences de l’espace de travail.

Retours

Retourne la liste des images présentes dans l’espace de travail.

Lève une exception WebserviceException si un problème est survenu lors de l’interaction avec le service de gestion des modèles.

Retours

Exceptions

Répertorie tous les services liés dans l’espace de travail.

Retours

Retourne l’emplacement de cet espace de travail.

Retours

Retourne une liste de modèles présents dans l’espace de travail.

Lève WebserviceException en cas de problème durant l’interaction avec le service Gestion des modèles.

Retours

Exceptions

Retourne le nom de l’espace de travail.

Retours

Liste tous les points de terminaison privés de l’espace de travail.

Retours

Retourne le nom du groupe de ressources de cet espace de travail.

Retours

Retourne le contexte de service de cet espace de travail.

Retours

Retourne la référence SKU de cet espace de travail.

Retours

Retourne l’ID d’abonnement de cet espace de travail.

Retours

Retourne les étiquettes de cet espace de travail.

Retours

Retourne une liste des services web présents dans l’espace de travail.

Lève WebserviceException en cas de problème durant le retour de la liste.

Retours

Exceptions

DEFAULT_CPU_CLUSTER_CONFIGURATION = <azureml.core.compute.amlcompute.AmlComputeProvisioningConfiguration object>

DEFAULT_CPU_CLUSTER_NAME = 'cpu-cluster'

DEFAULT_GPU_CLUSTER_CONFIGURATION = <azureml.core.compute.amlcompute.AmlComputeProvisioningConfiguration object>

DEFAULT_GPU_CLUSTER_NAME = 'gpu-cluster'